長(zhǎng)時(shí)間序列的鳳陽(yáng)縣景觀格局分析

于弘 李飛 王安影 陳小芳

摘 要：利用Landsat衛(wèi)星影像組成1989—2018年時(shí)間序列影像數(shù)據(jù)集，以鳳陽(yáng)縣行政矢量邊界等為輔助數(shù)據(jù)，采用基于機(jī)器學(xué)習(xí)的隨機(jī)森林算法進(jìn)行地物分類，并與RS、GIS、目視解譯等方法結(jié)合，對(duì)鳳陽(yáng)縣1989、1995、2000、2005、2009、2013和2018年7期遙感影像進(jìn)行土地利用分類和景觀格局分析。結(jié)果表明：經(jīng)隨機(jī)森林分類方法分析得出，總體精度達(dá)92.14%，Kappa系數(shù)為0.8956。研究結(jié)果有助于了解經(jīng)濟(jì)快速發(fā)展背景下鳳陽(yáng)縣土地利用空間格局變化及規(guī)律，對(duì)于指導(dǎo)鳳陽(yáng)縣城鄉(xiāng)規(guī)劃、土地資源管理以及生態(tài)環(huán)境保護(hù)等方面有著重要的參考作用。

關(guān)鍵詞：景觀格局;土地利用分類;機(jī)器學(xué)習(xí);隨機(jī)森林

中圖分類號(hào) Q149 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-7731（2022）04-0091-03

Abstract： The Landsat satellite images were used to form the image data set of the time series from 1989 to 2018. Taking the administrative vector boundary of Fengyang County as the auxiliary data， The random forest algorithm based on machine learning was used for feature classification， and combined with RS， GIS， visual interpretation and other methods to classify land use and analyze the landscape pattern of 7 remote sensing images of 1989， 1995， 2000， 2005， 2009， 2013 and 2018 in Fengyang County. The results show that the overall accuracy of 92.14% and the Kappa coefficient of 0.8956 were obtained by the random forest classification method， which can help to understand the spatial pattern changes and patterns of land use in Fengyang County under the background of rapid economic development， and has important reference significance for guiding urban and rural planning， land resource management and ecological environmental protection in Fengyang County.

Key words： Landscape pattern; Machine learning; Random forest; Land use classification

政府決策和人口增長(zhǎng)對(duì)當(dāng)?shù)鼐坝^的影響主要表現(xiàn)在空間的配置組合形式上，社會(huì)的發(fā)展階段與其聯(lián)系復(fù)雜，由多個(gè)相互作用的地球表面生態(tài)系統(tǒng)組成的景觀是異質(zhì)的[1]。土地利用昭示著景觀類型的轉(zhuǎn)化，當(dāng)?shù)鼐坝^形態(tài)的演變發(fā)展現(xiàn)狀，能夠直接反映整體格局的拓展進(jìn)程，由長(zhǎng)時(shí)間序列引起的變化能夠揭示城市中出現(xiàn)的生態(tài)問(wèn)題，長(zhǎng)期細(xì)致地總結(jié)其中問(wèn)題有助于解決當(dāng)下高頻和高發(fā)的環(huán)境問(wèn)題，滿足現(xiàn)代人民的生活需要[2]。從以往的研究來(lái)看，在進(jìn)行土地利用分類時(shí)，傳統(tǒng)的景觀分類有2種方法：最大似然法（Maximum Likelihood，ML）、支持向量機(jī)分類法（Supportvector Machine，SVM）。但對(duì)傳統(tǒng)的方法而言，存在主觀選擇分類系統(tǒng)和訓(xùn)練樣本的前提，導(dǎo)致訓(xùn)練樣本的代表性不佳，同時(shí)同一類別的光譜在表現(xiàn)時(shí)有細(xì)微差異，然而概念的分類只能識(shí)別訓(xùn)練樣本中的類別。在監(jiān)督分類過(guò)程中，當(dāng)樣本數(shù)量較少或者未被操作者定義時(shí)，則無(wú)法識(shí)別[3]。本研究采用以決策樹(shù)為基本單元的隨機(jī)森林算法，本質(zhì)上是機(jī)器學(xué)習(xí)算法的一種綜合學(xué)習(xí)算法。它將多棵決策樹(shù)集束集在一起，具有極好的精度，還可以在大數(shù)據(jù)上有效地運(yùn)行，對(duì)于分類結(jié)果，可以得到1個(gè)內(nèi)部的無(wú)偏估計(jì)[4]，且當(dāng)分類數(shù)據(jù)相對(duì)較小時(shí)，可以自動(dòng)選擇和排序主要的分類變量，這是一種優(yōu)秀的特征空間優(yōu)化技術(shù)[5]。研究結(jié)果為城市發(fā)展建設(shè)和規(guī)劃提供數(shù)據(jù)支持，也對(duì)未來(lái)城市的資源協(xié)調(diào)利用和生態(tài)平衡提供支持和幫助。

1 材料與方法

1.1 遙感數(shù)據(jù)的獲取 選擇Landsat系列衛(wèi)星影像數(shù)據(jù)作為鳳陽(yáng)縣土地利用和規(guī)劃的研究數(shù)據(jù)，時(shí)間范圍為1989—2018年，具體時(shí)間在3—4月份，時(shí)間間隔為4～5年，使用數(shù)據(jù)的云量均低于5%。表1為L(zhǎng)andsat系列衛(wèi)星影像表列。

1.2 隨機(jī)森林法 特征的有效增加能提高分類精度，篩選各特征變量對(duì)模型的影響非常重要。基尼系數(shù)（Gini Coefficient，GN）通常可作為衡量輸入特征對(duì)模型貢獻(xiàn)大小的評(píng)價(jià)標(biāo)準(zhǔn)，數(shù)值越高，特征的重要性越高[6]。本文使用的多時(shí)相多類型共58個(gè)特征，歸一化重要性評(píng)分作為指標(biāo)，客觀評(píng)價(jià)各個(gè)特征的重要程度，且在實(shí)驗(yàn)中逐步減少輸入特征維度，在保證模型分類性能和效率的基礎(chǔ)上，為達(dá)到降維的目的，對(duì)最優(yōu)特征子集進(jìn)行了研究。

1.3 訓(xùn)練樣本和驗(yàn)證樣本 結(jié)合研究區(qū)Landsat系列數(shù)據(jù)景觀類別解譯的經(jīng)驗(yàn)，據(jù)文獻(xiàn)[7-8]的景觀格局分類結(jié)果，鳳陽(yáng)縣的主要耕地利用景觀類有六大類：耕地、林地、裸地、水體、公路和建筑用地[9];根據(jù)文獻(xiàn)[10]的研究經(jīng)驗(yàn)和Google Earth高分辨率資料，在ENVI軟件的支持下利用點(diǎn)、線、面混合的方式選擇一定數(shù)量的類別數(shù)據(jù)作為樣本數(shù)據(jù)。利用J-M距離可分離性評(píng)價(jià)樣本數(shù)據(jù)的質(zhì)量，對(duì)樣本數(shù)據(jù)進(jìn)行調(diào)整，使得最低分離度均大于1.85。經(jīng)過(guò)評(píng)價(jià)后的樣本數(shù)據(jù)，按照3∶1的比例分為訓(xùn)練樣本與驗(yàn)證樣本2類。

1.4 景觀指標(biāo)分析方法 景觀面積比例（PLAND）是指某一類型景觀斑塊在總景觀面積中所占的比例，表示該類斑塊在景觀中的影響程度，如式（1）所示。斑塊密度（Patch Density，PD）是指某一類型景觀斑塊數(shù)量與面積之比，用來(lái)形容不同類型景觀斑塊的破碎程度和整個(gè)景觀的破碎程度，如式（2）所示。最大斑塊指數(shù)（Landscape Shape Index，LPI）是指景觀中最大斑塊面積除以景觀總面積的，以反映景觀的物種豐富度和物種多樣性[11]，如式（3）所示。

式（1）中，aij為第[ i ]類景觀中第j塊斑塊的面積;式（2）中，N為第[ i ]類景觀斑塊數(shù)量;單位為個(gè)/hm2;式（3）中;max（ai）為第[ i ]類景觀中的最大斑塊面積。A為景觀總面積。

2 結(jié)果與分析

2.1 特征重要性評(píng)估與最優(yōu)特征子集的選取 將提取出波段反射率、K-T變換特征、主成分特征、紋理特征以及指數(shù)特征建立模型，利用歸一化重要性評(píng)價(jià)各個(gè)特征對(duì)模型的貢獻(xiàn)度大小，在所獲取的58個(gè)特征變量重要性評(píng)分的基礎(chǔ)上，選擇經(jīng)過(guò)EnMap-Box處理得到的最優(yōu)特征子集，再建立隨機(jī)的森立模型，以減少模型分類精度的降低。綜合考慮各個(gè)特征重要性、平均和累積特征重要性與刪減特征與總體精度、Kappa系數(shù)之間的關(guān)系，選取前43個(gè)特征作為優(yōu)選特征子集。

2.2 機(jī)器學(xué)習(xí)分類結(jié)果的精度比較 在ENVI中的2種傳統(tǒng)監(jiān)督分類的方法：ML和SVM法進(jìn)行分類，與機(jī)器學(xué)習(xí)的隨機(jī)森林方法進(jìn)行對(duì)比，結(jié)果如圖1所示。由圖1可知，隨機(jī)森林的分類精度明顯優(yōu)于其他2種分類算法，其分類精度為0.9214，Kappa系數(shù)為0.8958。

2.3 基于隨機(jī)森林方法的長(zhǎng)時(shí)序景觀格局分類結(jié)果 鳳陽(yáng)縣1995—2018年水體變化、建筑分布、耕地監(jiān)測(cè)變化結(jié)果如圖2所示。

3 結(jié)論與討論

本研究利用Landsat系列影像，通過(guò)隨機(jī)森林分類方法對(duì)安徽省鳳陽(yáng)縣近13年間的Landsat遙感影像進(jìn)行了長(zhǎng)時(shí)間序列上的景觀格局分析，總體精度達(dá)92.14%，Kappa系數(shù)為0.8956。根據(jù)上述所得到的鳳陽(yáng)縣景觀格局分析的指數(shù)數(shù)據(jù)，結(jié)合鳳陽(yáng)縣近13年間的遙感影像，得出以下結(jié)論：

（1）鳳陽(yáng)縣1995、2000、2005、2009、2013、2018年這6期景觀格局分類結(jié)果表明：鳳陽(yáng)縣道路、居民區(qū)等建設(shè)用地面積不斷增長(zhǎng);耕地總面積也在不斷增加，但增加速度漸漸達(dá)到變慢;林地和水體改變并不明顯;裸地面積先增后減。

（2）整體上，鳳陽(yáng)縣1995—2018年各景觀優(yōu)勢(shì)度發(fā)展趨勢(shì)為：“居民區(qū)+道路”持續(xù)遞增，耕地總面積持續(xù)上漲至趨于平緩。裸地年級(jí)在曲折中呈降低前景，但林地和水體的改變規(guī)則不明顯，各景觀類型的總體趨勢(shì)呈現(xiàn)平衡發(fā)展態(tài)勢(shì)。

（3）鳳陽(yáng)縣1995—2018年間景觀格局逐漸變好，各類景觀斑塊類型都在朝著均勻分布的方向發(fā)展，并且根據(jù)鳳陽(yáng)縣近13年遙感影像可以看出鳳陽(yáng)縣的景觀類型逐漸豐富，景觀要素也都呈現(xiàn)健康、均衡、穩(wěn)定的發(fā)展。

（4）根據(jù)鳳陽(yáng)縣1995—2018年土地利用現(xiàn)狀的景觀格局分析數(shù)據(jù)結(jié)果可以看出：鳳陽(yáng)縣近13年的景觀斑塊碎化程度逐漸增加。鳳陽(yáng)縣的裸地斑塊的總面積、斑塊密度、最大斑塊指數(shù)等景觀指數(shù)前期都在不斷減少，但此時(shí)的道路和居民區(qū)的總面積、斑塊密度等指數(shù)在迅速增加，說(shuō)明鳳陽(yáng)縣近幾年經(jīng)濟(jì)一直在健康發(fā)展，城鄉(xiāng)規(guī)劃力度也逐年加大，并開(kāi)始顯現(xiàn)出成效。

在分類過(guò)程中，由于居民區(qū)和道路在建筑密集地區(qū)是難以區(qū)分的，可能會(huì)對(duì)鳳陽(yáng)縣的景觀格局分析結(jié)果造成了一定的影響;由最終的景觀指數(shù)分類結(jié)果看出，鳳陽(yáng)縣近13年林地和水體變化的規(guī)律性并不明顯，這可能是因?yàn)檫@2種地類其受階段性影像較大，也與所獲取影像的日期有很大關(guān)系，難以確定其變化趨勢(shì)和規(guī)律。

參考文獻(xiàn)

[1]李吟，周新邵.基于RS與GIS的區(qū)域景觀格局動(dòng)態(tài)演變研究[J].湖南城市學(xué)院學(xué)報(bào)（自然科學(xué)版），2017，26（03）：35-38.

[2]靖?jìng)鲗?基于Landsat時(shí)間序列數(shù)據(jù)的城市景觀格局分析[D].濟(jì)南：山東師范大學(xué)，2019.

[3]謝小杰.基于資源三號(hào)影像的植被信息提取方法及應(yīng)用[D].南京：南京林業(yè)大學(xué)，2014.

[4]李慶，史敏偉.基于隨機(jī)森林的多時(shí)相Landsat8土地利用分類研究[J].信息技術(shù)與信息化，2019（7）：181-183.

[5]于新洋，趙庚星，常春艷，等.隨機(jī)森林遙感信息提取研究進(jìn)展及應(yīng)用展望[J].遙感信息，2019，34（02）：8-14.

[6]馬玥，姜琦剛，孟治國(guó)，等.基于隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（1） ：297-303.

[7]趙琪.基于決策樹(shù)的景觀制圖探討與實(shí)踐[J].測(cè)繪與空間地理信息，2019（3）：131-134.

[8]葉紅，張廷斌，易桂花，等.近15年鄭州市土地利用景觀格局分析[J].測(cè)繪與空間地理信，2018，41（8）：85-88.

[9]閆琰，董秀蘭，李燕.基于ENVI的遙感圖像監(jiān)督分類方法比較研究[J].北京測(cè)繪，2011（3）：14-16.

[10]張偉，吳艷民，劉吉?jiǎng)P.Landsat系列影像支持下的鳳陽(yáng)縣石英砂礦區(qū)土地利用動(dòng)態(tài)監(jiān)測(cè)[J].測(cè)繪通報(bào)，2018（6）：91-97.

[11]張旭.蘭州市土地利用與景觀格局時(shí)空演變動(dòng)態(tài)分析[J].甘肅科技，2018（19）：41-44.

（責(zé)編：張宏民）

3857500338271